Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Pobreza, Desigualdad y Segregación en La RM
Pobreza, Desigualdad y Segregación en La RM
l
.c
Claudio A. Agostini
ile
ch
En general, hay consenso respecto a cómo medir pobreza y
desigualdad. Es por ello que existe un grado importante de
acuerdo sobre su evolución en el tiempo, tanto en Chile como
ep
l
excepción importante es el nivel de capital humano, donde
.c
hay diferencias importantes. Es por ello que tanto la pobreza
como la educación debieran tener mayor prioridad en el deba-
ile
te público que la segregación.
Palabras clave: pobreza; desigualdad; segregación; Santiago.
ch
Clasificación JEL: I32, D31, D63, O10, O15.
ep
en nuestras ciudades.”
(Francisco Sabatini, Gonzalo Cáceres y Jorge Cerda
w
I. Introducción
w
l
les, no hay discrepancias respecto a que la pobreza ha disminuido en
.c
forma importante en Chile durante los últimos 20 años, mientras que
los niveles de desigualdad se han mantenido relativamente constantes
en el mismo período.
ile
No hay igual consenso en cuanto a la segregación. No existe una
ch
definición clara de qué es segregación, tampoco hay acuerdo en una
forma de medirla y no hay datos validados que permitan ver su evolu-
ción en el tiempo.
ep
l
En el caso de minorías raciales, en particular de los negros, la
.c
evidencia muestra que la segregación espacial tiene efectos negativos
en los resultados escolares, el empleo y la probabilidad de ser padre/
ile
madre soltero(a) (Cutler y Glaeser, 1997). Adicionalmente, se generan
externalidades negativas en oportunidades educacionales, barreras cul-
ch
turales, restricciones al flujo de capital, oportunidades de empleo y
desincentivos para invertir en el stock de viviendas, las cuales restrin-
gen la movilidad social y reducen la calidad de vida (Vandell, 1995).
ep
l
sabe, se ha dicho y se ha medido de la segregación en Santiago, con el
.c
objeto de utilizar dicha discusión como base para examinar el análisis
empírico posterior. Por último, se hace un análisis empírico de la
ile
segregación en la Región Metropolitana, su evolución en algunas di-
mensiones y se contrastan los resultados con las creencias que existen
ch
respecto a la ciudad.
ep
l
consenso respecto a la mejor forma de medir la segregación.
.c
El índice más conocido y utilizado es el Índice de Disimilitud o
Índice de Duncan (Duncan y Duncan, 1955), que mide el porcentaje de
ile
un grupo que debe cambiarse de ubicación en cada subunidad geográfi-
ca para que en esa subunidad el porcentaje de ese grupo sea el mismo
ch
que el que se da en la unidad geográfica superior (por ejemplo, el
porcentaje de miembros pobres que tendrían que irse a vivir a otro
barrio para obtener una distribución homogénea de hogares pobres en
ep
l
.c
Mediciones de segregación
ile
Índice de Disimilitud:
La expresión matemática para este índice es la siguiente:
ch
N
[
ti (pi – p)
D = Σ —————
i=1 2Tp(1 – p)
]
ep
Índice de Exposición/Aislamiento:
w
N
p* = Σ ——
i=1
[ ]
x iy i
Xt i
l
.c
Para algunos, la existencia de segregación en nuestras ciudades
es simplemente una característica incuestionable de ellas y tendría algu-
ile
nos orígenes históricos. Sabatini, Cáceres y Cerda (2001), por ejemplo,
mencionan que “el sello de las ciudades latinoamericanas es la segrega-
ch
ción residencial a gran escala”, que se origina porque “a lo largo del
siglo XX las familias de las elites se fueron concentrando por lo general
en una sola zona de crecimiento que, en la forma de un cono, une el
ep
l
gregación objetiva junto a una dimensión subjetiva relacionada con
.c
estigmas territoriales. Vargas (2006) fundamenta su análisis sobre se-
gregación residencial partiendo de la base que Santiago es de las ciuda-
ile
des más segregadas del mundo, lo que se confirmaría a partir de
indicadores que difieren sustancialmente entre las comunas de mayor
ch
ingreso y las de menor ingreso.
Lamentablemente, esta visión negativa sobre la segregación resi-
dencial en Chile no siempre está bien respaldada con análisis estadísti-
ep
l
llegan a tener un claro predominio numérico, o en casos menos extre-
.c
mos, comparten en mayor grado con otros grupos; (b) la conforma-
ción de áreas con un alto grado de homogeneidad social; y (c) la
ile
percepción subjetiva que la gente tiene de la segregación ‘objetiva’ (las
dos primeras dimensiones)”. La primera dimensión permite explicar la
ch
concentración espacial de las familias de la elite en ciertas zonas de las
ciudades, mientras que la segunda dimensión permite explicar que aun-
que la concentración sea alta, en ese mismo espacio conviven familias
ep
con datos censales y una mirada sobre la ocupación del jefe de hogar,
en Concepción y Valparaíso, y con datos de la Encuesta de Origen y
Destino (1991) que contiene ingresos, en Santiago. De acuerdo a su
análisis, la escala geográfica de la segregación estaría disminuyendo en
aquellas zonas de la ciudad donde hay mayor dinamismo privado inmo-
biliario, pero estaría aumentando en aquellas zonas donde se están
asentando las nuevas familias de bajos ingresos. El problema entonces
sería que mientras más grandes sean las áreas homogéneas en pobreza,
más se agravarían los problemas urbanos y sociales para los residentes
de esa área, lo que se relacionaría con la creciente malignidad de la
l
segregación residencial en Chile. Por lo tanto, el problema de la segre-
.c
gación residencial en Chile tendría que ver con la relación entre segre-
gación y otros problemas sociales, como el desempleo, drogadicción,
ile
embarazo adolescente, deserción escolar, etc.
El análisis de Sabatini, Cáceres y Cerda (2001) para Santiago
ch
consiste en usar la desviación estándar del ingreso por hogar como
medida de segregación y luego calcular la correlación entre segregación
y algunos “problemas” (tiempos de viaje, desempleo, inacción juvenil)
ep
tiempos de viaje tienen algún grado de relación con los distintos niveles
de congestión en la ciudad, lo cual es una externalidad negativa, un
modelo económico tipo Tiebout podría explicar perfectamente cómo
las distintas valoraciones del tiempo en distintos grupos sociales junto
al precio de las viviendas que capitalizan los mejores accesos lleva a
segregación residencial (la cual en este caso sería además eficiente). El
tercero es la endogeneidad misma de los resultados con la metodología
usada, ya que se analizan los datos con el objeto de buscar el efecto
negativo mayor hasta que se lo encuentra. El cuarto es que las conclu-
siones se basan en la correlación muestral sin considerar su error
estándar, el cual ni siquiera se reporta. Varias de las correlaciones son
230 ESTUDIOS PÚBLICOS
l
sociales. A partir de variables de segmentación socioeconómica (años
.c
de estudio del jefe de hogar, promedio de necesidades básicas insatisfe-
chas (NBI) por hogar, años de estudio población total y años de estudio
ile
del grupo 30 a 39 años), calcula el Índice de Disimilitud para Santiago
usando los datos de los censos de 1982 y 1992, estimándolos en 0,47 y
ch
0,4 respectivamente.
A partir del análisis espacial de las diferencias entre las comunas
de la AMGS de las variables socioeconómicas consideradas, Rodríguez
ep
la periferia.
La conclusión es que hay atributos que están desigualmente
w
l
cial, Vargas (2006) estima regresiones estadísticas que permitan expli-
.c
car los índices de segregación calculados. Los resultados muestran que
los principales determinantes de la segregación en Santiago son el costo
ile
de arriendo, el número de personas en el hogar, la propiedad de la
vivienda, el estado civil y si el hogar recibió subsidio del Estado para
ch
vivienda. Éste es un resultado muy interesante, ya que las fuerzas
detrás de la segregación residencial económica en Chile son del mismo
tipo que las que explican la pobreza.
ep
l
.c
ción residencial en la Región Metropolitana a partir de los datos que
entregan los censos de población y vivienda.
ile
El Censo de Población y Vivienda entrega información detallada
que permite describir la distribución espacial de algunas características
relacionadas con la calidad de vida de las personas, en particular, las
ch
que tienen que ver con la calidad de las viviendas, el acceso a bienes de
consumo y algunas características socioeconómicas. La limitante prin-
ep
Características de la vivienda
l
De igual forma, la mayoría de las comunas tiene menos de 10% de las
.c
viviendas con paredes de adobe y la varianza entre comunas se ha
reducido en forma importante entre los dos períodos censales (Gráfico
2A).
ile
Si miramos lo que sucede con otros materiales para las paredes
ch
que son altamente inestables y poco sólidos (barro empajado, quincha,
pirca y desechos como lata, cartones y plástico), encontramos que la
proporción de paredes que tienen este tipo de materiales para la vivien-
ep
cual sigue siendo cierto para el año 2002 pero con una distribución que
se ha extendido (aumentado la varianza). Es así como en 2002 en
w
l
materiales para el techo de peor calidad, como fonolita, fibra de vidrio
.c
o paja embarrada. Aunque la proporción es baja en la RM, los datos
muestran que ha habido una importante disminución de la proporción
ile
de viviendas con techos de este tipo para todas las comunas y la media
ha caído considerablemente. La distribución de este tipo de viviendas
ch
se ha concentrado en cerca del 0 por ciento de las viviendas con una
varianza mucho menor que en 1992 (Gráfico 6A).
Si bien es difícil sacar muchas conclusiones en lo que concierne
ep
crédito que tienen o no los hogares, hay que destacar que los datos
comparados muestran que ha aumentado la proporción de familias que
w
res ingresos. Estas comunas tampoco son las que tienen mayores
proporciones de viviendas pagadas a plazo. De hecho, lo que muestran
los datos es que estas comunas recién aparecen en forma significativa
cuando se consideran las viviendas en arriendo. Tanto en 1992 como
en 2002, las comunas de altos ingresos son las que tienen una mayor
proporción de la población arrendando las viviendas que habitan.
Ahora, si consideramos el tipo de vivienda, la mayor parte de la
población de la RM vive en casas y eso no cambia mucho entre 1992 y
2002 (Gráfico 7A). Lo que sí cambia es la proporción de la población
que vive en departamentos, lo que refleja un importante desarrollo
inmobiliario de este tipo de viviendas en el período (Gráfico 8A). Si
bien el aumento en la proporción de departamentos se concentró en
CLAUDIO A. AGOSTINI 235
l
que vive en mediaguas, sino también ocurrió que esa proporción cayó
.c
más en aquellas comunas donde más había mediaguas en 1992, como
en Huechuraba, Peñalolén y Cerro Navia.
l
13A). En 2002 en todas las comunas más del 60% de los hogares tenía
.c
lavadora, con lo que la distribución se hizo más igualitaria entre comu-
nas, disminuyendo en forma significativa la brecha entre las comunas
ile
con menor y mayor proporción de hogares con lavadora.
La tenencia de horno microondas en el hogar también experi-
ch
mentó un salto significativo en este período (Gráfico 14A). En 1992, la
inmensa mayoría de los hogares no tenía microondas y en sólo cinco
comunas de la RM, las de más altos ingresos, más del 20% de los
ep
l
.c
la variación entre comunas se ha reducido en general, reflejando una
menor desigualdad y una menor segregación en términos de varianza
ile
intercomunal. Sin duda, ambos aspectos están correlacionados con el
ingreso per cápita de los hogares, pero en forma complementaria es
importante también analizar qué ha sucedido con algunas característi-
ch
cas socioeconómicas que están correlacionadas con el capital hu-
mano del jefe de hogar, tal como suele mirarse en mediciones de
ep
segregación.
Si consideramos la educación del jefe de hogar los datos revelan
que la distribución de la proporción de jefes de hogar por comuna que
.c
a las seis comunas de mayores ingresos, las cuales tienen una fracción
w
l
disminuir en forma importante durante los próximos años, ya que la
.c
educación universitaria ha aumentado mucho su matrícula y el número
de alumnos que son la primera generación familiar en ir a la universidad
ha crecido también.
ile
En relación al empleo, si bien los momentos del ciclo económico
ch
juegan un rol importante y pueden ser distintos en ambos períodos, los
datos muestran que la proporción de jefes de hogar que se encontraba
trabajando casi no cambió entre 1992 y 2002. Lo que sí ha cambiado
ep
Disimilitud Exposición
1992 2002 1992 2002
l
colores 0,23 0,27 0,71 0,15
.c
Refrigerador no tiene 0,25 0,25 0,61 0,29
Celular no tiene 0,50 0,19 152,85 1,10
Mini-
ile
componente no tiene 0,17 0,14 1,94 0,38
Lavadora no tiene 0,16 0,15 1,54 0,22
Microondas no tiene 0,54 0,23 46,73 1,77
ch
Videograbador no tiene 0,29 0,16 4,91 1,30
l
Lanjouw, 2003). Para esto lo primero que se hace es estimar un
.c
modelo de ingreso por hogar utilizando características observables que
están presentes en ambas bases (encuesta de hogares y censo). Poste-
ile
riormente, con los parámetros estimados se estima el nivel esperado de
los indicadores de desigualdad y pobreza con los datos que se tienen en
ch
el censo, con lo cual se obtiene un estimador consistente para estos
indicadores junto a su error estándar asociado (una explicación com-
pleta de la metodología para quien se interese en los detalles se encuen-
ep
4 Incluso aunque fueran representativos, el error estándar es tan grande que los
intervalos de confianza para cada indicador no son muy informativos. Por ejemplo, la
tasa de pobreza en La Pintana se estima entre 25,3% y 45,7% utilizando los datos de la
Casen 2003.
CLAUDIO A. AGOSTINI 241
400.000
350.000
300.000
250.000
200.000
150.000
100.000
50.000
l
.c
0
Tiltil
Melipilla
la Pintana
Conchalí
Recoleta
Colina
Talagante
Peñalolén
Estación Central
Alhué
María Pinto
Renca
Puente Alto
Cerrillos
Maipú
La Florida
Pirque
Calera de Tango
La Cisterna
Independencia
Macul
Santiago
San pedro
Cerro Navia
Lo Espejo
San Ramón
El Monte
Lampa
Paine
Curacaví
Pudahuel
Quilicura
Isla de Maipo
La Granja
Padre Hurtado
El Bosque
Buin
San Bernardo
Lo Prado
Huechuraba
Pedro Aguirre Cerda
San Joaquín
Peñaflor
Quinta Normal
San Miguel
La Reina
Providencia
Ñuñoa
Lo Barnechea
Vitacura
San José de Maipo
Las Condes
ile
ch
ep
más alto ingreso son Vitacura y Las Condes con $ 352 mil y $ 320 mil
respectivamente.
La distribución de coeficientes Gini es relativamente uniforme
.c
hasta llegar a las seis comunas de ingresos más altos en la RM, donde
ocurre un salto significativo respecto al resto de las comunas. Si bien
w
esto refleja que los hogares de más altos ingresos tienden a concentrar-
se en unas pocas comunas, lo cual puede ser el resultado de un
w
2. Pobreza
0,4000
0,3500
0,3000
0,2500
0,2000
0,1500
0,1000
0,0500
l
0,0000
.c
Tiltil
Estación Central
Vitacura
Providencia
La Reina
Independencia
Cerrillos
Talagante
Conchalí
Peñalolén
Recoleta
Melipilla
Las Condes
Nuñoa
Lo Barnechea
Santiago
San Miguel
Macul
Maipú
La Cisterna
La Florida
Pirque
Calera de Tango
María Pinto
Quinta Normal
Puente Alto
Qulicura
Peñaflor
Curacaví
Paine
Pudahuel
Buin
Colina
Lampa
San Pedro
San Joaquín
Lo Prado
San José de Maipo
San Bernardo
Isla de Maipo
El Bosque
Padre Hurtado
Huechuraba
La Granja
El Monte
Renca
San Ramón
Lo Espejo
Alhué
La Pintana
Cerro Navia
ile
ch
Si para efectos de calcular los índices de segregación residencial
ep
3. Desigualdad
w
0,6000
0,5000
0,4000
0,3000
0,2000
0,1000
0,0000
l
.c
Melipilla
Talagante
Peñalolén
Colina
Tiltil
Estación Central
Recoleta
Curacaví
Buin
El Monte
Lampa
Lo Barnechea
Huechuraba
Peñaflor
Pirque
Calera de Tango
Vitacura
Providencia
La Pintana
Alhué
Quilicura
Conchalí
Independencia
Santiago
Quinta Normal
Puente Alto
La Cisterna
Cerrillos
La Florida
El Bosque
La Reina
Macul
San Miguel
Paine
San Bernardo
Isla de Maipo
Cerro Navia
Lo Espejo
La Granja
renca
María Pinto
San Ramón
Pudahuel
Ñuñoa
Maipú
Lo Prado
San Joaquín
Padr Hurtado
ile
ch
Un aspecto interesante de considerar es la relación que existe
entre la pobreza y la desigualdad en las comunas. Una de las cosas que
ep
desiguales son, en general, las que tienen los menores (La Pintana,
w
40
La Pintana
35
Cerro Navia
30 Alhué El Monte
San Ramón Huechuraba
Colina
25
% Pobreza
Calera de
20 Tango
San Pedro Pirque
15
l
San Miguel
.c
Santiago Lo Barnechea
10
Ñuñoa La Reina
5
ile
Las Condes
Vitacura Providencia
0
0,30 0,35 0,40 0,45 0,50 0,55 0,60
ch
Gini
ep
l
de la vivienda, la propiedad de activos durables y la situación de empleo
.c
del jefe de hogar. En particular, se mantienen casi inalteradas las distri-
buciones comunales de paredes de adobe y de desechos; techos de
ile
pizarreño, fonolita, fibra de vidrio y paja embarrada; pisos de parquet y
entablado; viviendas de tipo casa y mediaguas; y viviendas completa-
ch
mente pagadas. Lo mismo ocurre con las distribuciones de tenencia de
refrigerador, televisor en colores, minicomponente, lavadora y celular.
Hay algunas distribuciones que mejoran levemente, en términos
ep
pisos con alfombra muro a muro y disminuye la fracción que tiene piso
de tierra. En cuanto a la propiedad y tipo de viviendas aumenta la
w
l
son de magnitud significativa en la mayoría de los casos y adicional-
.c
mente ocurren en ambas direcciones, no sólo disminuye la segregación
sino que en algunas dimensiones aumenta.
ile
Los resultados de este ejercicio confirman la evidencia intercen-
sal presentada anteriormente, en el sentido de que no hay niveles de
ch
desigualdad ni segregación importantes entre comunas para la mayoría
de las características de las viviendas y los bienes durables que tienen
ep
Disimilitud Exposición
w
VII. Conclusiones
l
.c
respecto a la segregación. Hay distintas formas de definirla y medirla y
las mediciones no son consistentes a lo largo del tiempo, así que
ile
tampoco hay acuerdo en su evolución en el tiempo. A pesar de ello, sí
existen muchas percepciones y opiniones muy marcadas. La visión
dominante respecto a la ciudad de Santiago es que es una ciudad muy
ch
segregada, lo cual tendría efectos negativos en la calidad de vida de las
personas y el funcionamiento de la ciudad.
ep
l
.c
forma, la percepción de que las comunas en el centro de Santiago son
más homogéneas y menos segregadas que las comunas de la periferia
ile
de la ciudad tampoco se confirma en los datos de desigualdad en los
ingresos y hay comunas periféricas tan heterogéneas u homogéneas en
términos de ingreso como las comunas ubicadas en el centro de la
ch
ciudad.
La evidencia presentada en este trabajo, sin embargo, es menos
ep
personas con alto nivel educacional y muy pocas personas con bajo
nivel educacional.
w
l
.c
mejorado mucho y las diferencias entre comunas en la Región Metro-
politana se han reducido en forma significativa, sino que la pobreza y
ile
las diferencias en capital humano son problemas de mayor magnitud y,
por lo mismo, debieran tener mayor prioridad en el debate público que
la segregación.
ch
ep
ANEXO METODOLÓGICO
.c
l
.c
El vector de errores u se asume que tiene una distribución con
media cero y una matriz varianza-covarianza Σ: ƒ(0,Σ). Para permitir
ile
algún grado de correlación dentro de cada cluster6 se utiliza la siguiente
especificación:
ch
uhc = η c + εhc
ep
z Thcα
[
Aε^
σε2 = —————
+B
zT α
1 + ε^ hc ]
Los límites superior e inferior, A y B, se estiman junto al pará-
metro α usando un procedimiento estándar de pseudo máxima verosi-
l
la primera etapa junto a las características de los hogares en los datos
.c
del censo para calcular los indicadores de pobreza y desigualdad por
áreas geográficas desagregadas. Específicamente, se combinan los pa-
ile
rámetros estimados en la primera etapa con las características observa-
bles de cada individuo u hogar en el censo para generar valores predi-
ch
chos del logaritmo del ingreso y los términos de error. Para estos
efectos, se utiliza el método de bootstrap que simula los valores del
ingreso de cada hogar o de cada individuo. Los valores simulados se
ep
^
Y hc = exp ( Xhc β + η^ c + ε^ hc)
^
w
w
donde, para cada hogar, los dos componentes del término de error se
obtienen de la distribución empírica descrita por los parámetros en la
w
sin restricciones genera una distribución bien comportada de residuos predichos. Alter-
nativamente, es posible imponer un límite B=0 y A= 1,05 max {ε^hc} y obtener
resultados empíricos similares.
9 Se debe tener en cuenta que los efectos geográficos residuales pueden reducir
en una magnitud importante la precisión de los resultados en la segunda etapa. Por esta
razón, es de vital importancia explicar la variación en el ingreso debida a la ubicación
geográfica, con la elección adecuada de las variables observables. La evidencia empírica
muestra que puede ser útil incluir entre las variables explicativas las medias geográficas
de algunas variables calculadas con los datos del censo.
10 Para los dos componentes del error, hogar y cluster se utiliza una distribución
l
y las desviaciones estándar corresponden a los errores estándar de
.c
estos estimadores.
Llamemos al indicador de pobreza o desigualdad H, que es una
ile
función Xc, β u donde η c es un vector Nc del número de miembros del
hogar en la comuna c y Xc es un Nc xk vector de características obser-
ch
vables de los individuos y uc es un Nc vector de errores. En esta etapa
se estima el valor esperado de H, dadas las características de los
individuos y hogares que son observadas en el censo y el modelo
ep
HcE = E [H/η, X; ξ ]
.c
w
^ ^
HcE = E [H/η , X; ξ ]
~
La diferencia entre HcE, el estimador del valor esperado de H, y
el nivel actual de H para la zona geográfica se puede descomponer en
tres partes de la siguiente forma:
~ ^ ^ ~
Hc – HcE = (Hc – HcE) + (HcE – HcE) + (HcE – HcE)
l
se desvían de sus valores esperados; el segundo se debe a la varianza
.c
en los estimadores de la primera etapa de los parámetros del modelo; y
^
el tercero se debe a un método inexacto para calcular HcE.
ile
Debido al error idiosincrático, la varianza del estimador disminu-
ye en forma inversamente proporcional al tamaño de la población para
ch
cada zona geográfica. Mientras más pequeño sea el nivel de desagrega-
ción geográfica, mayor será el primer componente de error generando
restricciones al nivel de desagregación posible12.
ep
E [n2cVar(G/Xc,β)]
igual a Σ/N, donde S = ———————.
12 El componente idiosincrático del error es
(E [n])2
Por esta razón, el componente del error aumenta al desagregar el indicador de desigual-
dad en poblaciones más pequeñas.
254 ESTUDIOS PÚBLICOS
en este trabajo se han usado 250 para reducir aún más este componen-
te del error13.
Se utilizaron simulaciones de Montecarlo para calcular el valor
esperado de H condicional en la regresión de la primera etapa, la
varianza generada por el componente idiosincrático del ingreso per
cápita de los hogares y el vector de gradientes. Cada simulación obtiene
250 vectores de términos de error de la distribución estimada en la
primera etapa, con cada uno de estos vectores se calcula un valor para
H y luego el valor esperado simulado para H es la media para las 250
réplicas:
l
.c
1 250 ~
HE = —— Σ HEd
~
ile
250 d=1
Vmod elo = ——
250 d=1 d
.c
2002.
anexo
l
.c
ile
ch
ep
l
.c
ile
ch
ep
l
.c
ile
ch
ep
l
.c
ile
ch
ep
en la RM (1992 y 2002)
w
w
w
l
.c
ile
ch
ep
l
.c
ile
ch
ep
l
.c
ile
ch
ep
l
.c
ile
ch
ep
l
.c
ile
ch
ep
l
.c
ile
ch
ep
l
.c
ile
ch
ep
Referencias
w
l
American Sociological Review 20, 1955.
.c
Elbers, Chris, Jean O. Lanjouw y Peter Lanjouw: “Micro-Level Estimation of Poverty
and Inequality”. Econometrica 71(1), 2003.
ile
Epple, D. y G. J. Platt: “Equilibrium and Local Redistribution in an Urban Economy
When Households Differ in both Preferences and Income”. Journal of Urban
Economics, 43, 23-51, 1998.
ch
Epple, D. y H. Sieg: “Estimating Equilibrium Models of Local Jurisdictions”. The Journal
of Political Economy, 107(4): 645-681, 1999.
Erbe, B.: “Race and Socioeconomic Segregation”. American Sociological Review, 40(6):
801-812, 1975.
ep
44, 1995.
Glaeser, E. L.: “Inequality”. Working Paper Nº 11511, National Bureau of Economic
Research, 2005.
Hanushek, E. y K. Yilmaz: “The Complementarity of Tiebout and Alonso”. Journal of
Housing Economics, 16(2): 243-261, 2007.
Harsman, B. y J. Quigley: “The Spatial Segregation of Ethnic and Demographic Groups:
Comparative Evidence from Stockholm and San Francisco”. Journal of Urban
Economics, 37, 1-16, 1995.
Hoxby, C. M.: “The Productivity of Schools and Other Local Public Goods Producers”.
Journal of Public Economics, 74(1): 1-30, 1999.
————: “Does Competition among Public Schools Benefit Students and Taxpayers?”
American Economic Review, 90(5): 1209-1238, 2000.
Hutchens, R. M.: “Segregation Curves, Lorenz Curves, and Inequality in the
Distribution of People across Occupations”. Mathematical Social Sciences,
21(1): 31-51, 1991.
CLAUDIO A. AGOSTINI 267
l
1999.
.c
Rodríguez, J.: “Segregación Residencial Económica: ¿Qué es? ¿Cómo se Mide? ¿Qué está
Pasando? ¿Importa?”. Población y Desarrollo, 16, 2001.
ile
Ross, N.A., K. Nobrega y J. Dunn: “Income Segregation, Income Inequality and
Mortality in North American Metropolitan Areas”. GeoJournal 53(2), 2002.
Sabatini, F.: “Tendencias de la Segregación Residencial Urbana en Latinoamérica:
ch
Reflexiones a Partir del Caso de Santiago de Chile”. Presentado en Seminario:
Latin American: Democracy, Markets and Equity at the Threshold of New
Millenium. Universidad de Upsala, Suecia, 1999.
———— “Reforma de los Mercados de Suelo en Santiago, Chile: Efectos sobre los
ep
l
.c
ile
ch
ep
.c
w
w
w